Comparez la mémoire à long terme avec Retrieval-Augmented Generation
Long-term la mémoire dans Amazon Bedrock AgentCore Memory sert de stockage persistant pour le contexte spécifique à une session, ce qui permet aux agents de maintenir la continuité et la personnalisation des interactions. Utilisez la mémoire à long terme pour stocker les préférences des utilisateurs, les décisions passées, l'historique des conversations et les modèles comportementaux qui aident les agents à s'adapter et à se sentir personnels sans avoir à demander les mêmes informations à plusieurs reprises. Ce type de mémoire est idéal pour suivre l'identité de l'utilisateur, ce qui s'est passé lors des sessions précédentes et pour maintenir l'état des flux de travail en plusieurs étapes.
Retrieval-Augmented La génération (RAG) complète la mémoire à long terme en fournissant un accès à des informations actuelles et fiables provenant de référentiels à grande échelle. Utilisez ces systèmes pour récupérer de la documentation, des spécifications techniques, des politiques et une expertise du domaine à jour qui peuvent être trop volumineuses ou trop volatiles pour un stockage à long terme. RAG garantit l'exactitude des faits en puisant directement dans des sources sélectionnées au moment de la requête, ce qui le rend idéal pour accéder à ce que disent des sources faisant autorité dès maintenant. L'une des options pour intégrer RAG à votre agent consiste à utiliser une base de connaissances Amazon Bedrock. Pour plus d'informations, consultez la section Récupérer des données et générer des réponses basées sur l'IA avec les bases de connaissances Amazon Bedrock dans le guide de l'utilisateur d'Amazon Bedrock.
La principale distinction réside dans leurs rôles complémentaires : la mémoire à long terme gère le contexte personnel et la continuité des sessions, tandis que RAG fournit des connaissances factuelles actuelles et une expertise dans le domaine. Long-term memory répond à « qui est l'utilisateur et ce qui s'est passé auparavant », tandis que RAG répond à « que disent actuellement les sources fiables ». Cette séparation permet aux agents de maintenir des relations personnelles avec les utilisateurs tout en garantissant l'accès à des informations précises et fiables.
En utilisant conjointement la mémoire longue et le RAG, votre agent peut proposer à la fois des expériences personnalisées grâce à la mémorisation du contexte et des informations fiables grâce à la récupération de connaissances en temps réel. Pour vos clients, vos agents sont à la fois familiers et fondés sur des faits.
